Giới thiệu dự án

Thị trường tài chính hiện đại luôn vận hành dưới sự đan xen phức tạp giữa các yếu tố nền tảng kinh tế vĩ mô và tâm lý học hành vi (Behavioral Finance). Trong bối cảnh đại dịch COVID-19 bùng phát từ đầu năm 2020, thị trường chứng khoán Việt Nam đã chứng kiến sự biến động chưa từng có: chỉ số VN-Index thiết lập đỉnh lịch sử tại mức 1.528,57 điểm vào đầu năm 2022 trước khi lao dốc hơn 40,34% xuống mức 911,90 điểm vào tháng 11/2022. Cùng thời điểm, làn sóng nhà đầu tư cá nhân (nhà đầu tư F0) gia nhập thị trường đạt mức kỷ lục với hơn 3,029 triệu tài khoản lũy kế tính đến tháng 3/2021 (trong đó 99,4% là tài khoản cá nhân trong nước). Sự gia tăng đột biến của dòng tiền cá nhân trong điều kiện bất đối xứng thông tin và thiếu hụt kinh nghiệm định giá tài sản đã kích hoạt mạnh mẽ hiện tượng "hiệu ứng đám đông" (Herding Behavior), làm sai lệch giá trị tài sản vốn và tạo ra rủi ro hệ thống nghiêm trọng.

       +-------------------------------------------------------------+
       |                  Bối cảnh thị trường HOSE                   |
       |  - VN-Index: Đỉnh 1.528,57 điểm -> Đáy 911,90 điểm (-40,34%) |
       |  - Tài khoản mở mới: 99,4% cá nhân F0                       |
       +------------------------------+------------------------------+
                                      |
                                      v
       +-------------------------------------------------------------+
       |               Vấn đề: Hiệu ứng đám đông (Herding)           |
       |  - Bất đối xứng thông tin & tâm lý FOMO                     |
       |  - Định giá sai lệch hệ số rủi ro hệ thống (Beta)           |
       +------------------------------+------------------------------+
                                      |
                                      v
       +-------------------------------------------------------------+
       |           Giải pháp: Mô hình không gian trạng thái          |
       |            State-Space Model & Kalman Filter                |
       |               (Hwang & Salmon, 2004)                        |
       +-------------------------------------------------------------+

Vấn đề cốt lõi đặt ra là các phương pháp kiểm định truyền thống thường giả định hệ số beta cân bằng cố định theo mô hình CAPM, bỏ qua sự biến thiên động của tâm lý nhà đầu tư theo chu kỳ thị trường. Đồ án tập trung giải quyết bài toán định lượng mức độ bầy đàn thông qua mô hình không gian trạng thái (State-Space Model) kết hợp thuật toán lọc Kalman (Kalman Filter) do Hwang & Salmon (2004) đề xuất, đo lường sự phân tán của hệ số rủi ro hệ thống ($\beta$) trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE).

Mục tiêu nghiên cứu cụ thể

  1. Hệ thống hóa cơ sở lý luận về tâm lý học hành vi và cơ chế hình thành hiệu ứng đám đông trên thị trường chứng khoán cận biên/mới nổi.
  2. Trích xuất chuỗi dữ liệu giao dịch gồm 72.614 quan sát của 49 cổ phiếu thuộc rổ chỉ số VN30 giai đoạn 2017 – 2022.
  3. Ước lượng chuỗi tham số hiệu ứng đám đông ($h_{mt}$) thông qua thuật toán lọc Kalman trên phần mềm EViews 10.
  4. So sánh thực nghiệm cường độ hiệu ứng đám đông thuận ($h_{mt} > 0$) và hiệu ứng đám đông ngược ($h_{mt} < 0$) giữa 2 giai đoạn: Trước COVID-19 (03/01/2017 – 30/12/2019) và Trong COVID-19 (02/01/2020 – 30/12/2022).
  5. Xây dựng mô hình hồi quy OLS đánh giá tác động định lượng của biến bầy đàn ($h_t$) tới mức độ biến động (Volatility) của chỉ số VN-Index, làm căn cứ đề xuất giải pháp điều tiết biên độ giao dịch và minh bạch hóa thông tin.

Phạm vi và giới hạn

  • Không gian dữ liệu: Toàn bộ 49 mã cổ phiếu từng nằm trong rổ chỉ số VN30 niêm yết trên HOSE.
  • Thời gian nghiên cứu: 06 năm (2017 – 2022), chia thành 72 kỳ quan sát theo tháng (36 tháng tiền đại dịch và 36 tháng trong đại dịch).
  • Giới hạn kỹ thuật: Nghiên cứu tập trung vào mô hình CAPM chuẩn một nhân tố, chưa tích hợp các nhân tố quy mô (SMB) và giá trị (HML) của Fama-French do hạn chế dữ liệu kế toán vi mô đồng bộ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong kinh tế lượng tài chính, việc phát hiện hành vi bầy đàn được tiếp cận qua ba thế hệ mô hình định lượng chính:

Phương pháp Tác giả & Năm Cơ chế kiểm định Ưu điểm Nhược điểm
CSSD (Cross-Sectional Standard Deviation) Christie & Huang (1995) Đo lường độ lệch chuẩn chéo của tỷ suất sinh lời khi thị trường biến động cực đoan Dễ tính toán, trực quan Nhạy cảm với nhiễu dữ liệu, không phát hiện được bầy đàn khi thị trường bình thường
CSAD (Cross-Sectional Absolute Deviation) Chang, Cheng & Khorana (1999) Kiểm tra mối quan hệ phi tuyến tính giữa độ phân tán lợi suất tuyệt đối và lợi suất thị trường Khắc phục hạn chế của CSSD, kiểm tra được toàn bộ phân phối Bỏ qua sự biến động của hệ số rủi ro hệ thống $\beta$, coi $\beta$ là hằng số
State-Space / Kalman Filter Hwang & Salmon (2004) Mô hình hóa độ lệch của $\beta$ thực tế so với $\beta$ cân bằng CAPM qua biến trạng thái ẩn $H_{mt}$ Tách biệt rủi ro hệ thống và tâm lý bầy đàn; phát hiện cả bầy đàn thuận và bầy đàn ngược Đòi hỏi thuật toán tối ưu hóa phi tuyến tính phức tạp (Kalman Filtering)

Phân tích yêu cầu hệ thống định lượng (MoSCoW)

  • Must have: Thuật toán tính toán Tỷ suất sinh lời logarit hàng ngày ($r_{it} = \ln(P_t / P_{t-1})$); Ma trận phương sai - hiệp phương sai ước lượng $\beta_{imt}$ chéo từng tháng; Hệ phương trình tín hiệu và trạng thái Kalman Filter.
  • Should have: Kiểm định tính dừng (Augmented Dickey-Fuller - ADF); Kiểm định khuyết tật mô hình hồi quy (Ramsey RESET, White Heteroskedasticity, Jarque-Bera).
  • Could have: Script tự động trích xuất dữ liệu giao dịch API từ HOSE/VSD qua Python.
  • Won't have: Hệ thống giao dịch tự động Real-time High-Frequency Trading (HFT) tích hợp vào hệ thống khớp lệnh sàn.

Thiết kế hệ thống và mô hình định lượng

Nền tảng toán học của mô hình Hwang & Salmon (2004)

Khi thị trường tồn tại hiệu ứng đám đông, kỳ vọng phần bù rủi ro của cổ phiếu $i$ dịch chuyển khỏi mức cân bằng CAPM ($E_t(r_{it}) = \beta_{imt} E_t(r_{mt})$) theo phương trình:

$$\frac{E_t^p(r_{it})}{E_t(r_{mt})} = \beta_{imt}^p = \beta_{imt} - h_{mt}(\beta_{imt} - 1)$$

Trong đó:

  • $\beta_{imt}^p$: Hệ số Beta thực tế quan sát được trong điều kiện có bầy đàn.
  • $\beta_{imt}$: Hệ số Beta cân bằng lý thuyết.
  • $h_{mt} \le 1$: Tham số đo lường cường độ hiệu ứng đám đông ($h_{mt} = 0$: Không có bầy đàn; $h_{mt} = 1$: Bầy đàn tuyệt đối; $h_{mt} < 0$: Bầy đàn ngược).

Lấy sai số tiêu chuẩn chéo (Cross-sectional Standard Deviation) và biến đổi Logarit hai vế:

$$\log[Std_c(\beta_{imt}^p)] = \mu_m + H_{mt} + v_{mt}$$

Với $H_{mt} = \log(1 - h_{mt})$ tuân theo quá trình tự hồi quy bậc nhất $AR(1)$:

$$H_{mt} = \phi_m H_{mt-1} + \eta_{mt}$$

Trong đó $v_{mt} \sim \text{i.i.d.}(0, \sigma_{vm}^2)$ và $\eta_{mt} \sim \text{i.i.d.}(0, \sigma_{\eta m}^2)$.

Methodology

Nghiên cứu áp dụng quy trình nghiên cứu thực nghiệm định lượng kết hợp kiểm định chuỗi thời gian (Time-Series Analysis):

  1. Thu thập và tiền xử lý dữ liệu: Trích xuất giá đóng cửa điều chỉnh và giá tham chiếu của 49 mã VN30 và chỉ số VN-Index giai đoạn 03/01/2017 – 30/12/2022.
  2. Ước lượng tham số trạng thái: Cài đặt thuật toán ước lượng hợp lý cực đại (Maximum Likelihood Estimation - MLE) thông qua bộ lọc Kalman.
  3. Mô hình hóa tác động: Hồi quy OLS đa biến kiểm tra tác động của $h_{mt}$ tới độ biến động $Volatility_t = \text{StDev}(r_{\text{VN-Index}, t})$.
  4. Kiểm định độ tin cậy: Sử dụng kiểm định ADF kiểm tra tính dừng chuỗi $H_{mt}$, kiểm định White kiểm tra phương sai sai số thay đổi và kiểm định Ramsey RESET kiểm tra lỗi định dạng hàm.
Rủi ro kỹ thuật Mức độ Biện pháp giảm thiểu
Dữ liệu bảng mất cân đối (Unbalanced Panel) do cổ phiếu vào/ra rổ VN30 Cao Tính toán phân tán $\beta$ chéo theo từng tháng độc lập dựa trên danh sách cổ phiếu thực tế niêm yết trong tháng đó
Hiện tượng chuỗi không dừng (Non-stationarity) dẫn đến hồi quy ảo Trung bình Thực hiện kiểm định ADF cho chuỗi $Std_c(\beta)$ và chuỗi $H_{mt}$ trước khi đưa vào hồi quy
Nhiễu phi chuẩn của phần dư (Non-normality) Thấp Cỡ mẫu $N = 72 > 30$, áp dụng Định lý Giới hạn Trung tâm (CLT) đảm bảo tính vững của ước lượng OLS

Implementation và kết quả

Development Process & Code Implementation

Quá trình trích xuất và ước lượng hệ số bầy đàn được thực hiện qua hai mô-đun: Xử lý dữ liệu ma trận lợi suất (Python 3.10) và Ước lượng không gian trạng thái (EViews 10).

1. Mô-đun trích xuất độ phân tán Beta chéo (Python)

import numpy as np
import pandas as pd

def calculate_monthly_beta_dispersion(price_df: pd.DataFrame, market_col: str = 'VNINDEX'):
    """
    Tính toán độ lệch chuẩn chéo của Beta (Std_c(Beta)) theo từng tháng.
    - price_df: DataFrame chứa giá đóng cửa của các mã VN30 và VN-Index
    """
    # Tính log return: r_t = ln(P_t / P_{t-1})
    returns_df = np.log(price_df / price_df.shift(1)).dropna()
    
    monthly_groups = returns_df.groupby(pd.Grouper(freq='M'))
    std_beta_series = {}
    
    for month, group in monthly_groups:
        if len(group) < 10:  # Loại trừ các tháng có ít phiên giao dịch
            continue
        
        market_return = group[market_col]
        var_market = np.var(market_return, ddof=1)
        
        betas = []
        for col in group.columns:
            if col != market_col:
                cov_im = np.cov(group[col], market_return)[0][1]
                beta_i = cov_im / var_market if var_market != 0 else 1.0
                betas.append(beta_i)
        
        # Độ lệch chuẩn chéo của Beta trong tháng
        std_beta_series[month] = np.std(betas, ddof=1)
        
    result_df = pd.DataFrame(list(std_beta_series.items()), columns=['Date', 'Std_Beta'])
    result_df['Log_Std_Beta'] = np.log(result_df['Std_Beta'])
    return result_df

2. Cấu hình mô hình Không gian trạng thái trong EViews 10

Hệ phương trình trạng thái được khai báo trực tiếp trong EViews State-Space Object:

@signal log_std_b__ = c(1) + h3
@state h3 = c(2)*h3(-1) + [Var = exp(c(3))]

Trong đó:

  • log_std_b__ biểu diễn chuỗi $\log[Std_c(\beta_{imt}^p)]$.
  • c(1) ước lượng giá trị kỳ vọng cân bằng $\mu_m$.
  • c(2) biểu diễn hệ số tự tương quan $\phi_m$.
  • exp(c(3)) biểu diễn phương sai nhiễu trạng thái $\sigma_{\eta m}^2$.

Testing và Validation

Kết quả ước lượng bộ lọc Kalman (EViews 10 Output)

Giai đoạn nghiên cứu Tham số $\mu_m$ ($c_1$) Hệ số tự hồi quy $\phi_m$ ($c_2$) Phương sai trạng thái $\sigma_{\eta m}^2$ $p$-value của $\sigma_{\eta m}$
Trước COVID-19 (2017 - 2019) -0,8412 ($p < 0,01$) 0,2145 ($p = 0,052$) 0,127253 $< 0,01$
Trong COVID-19 (2020 - 2022) -0,7925 ($p < 0,01$) 0,1894 ($p = 0,058$) 0,381904 $< 0,01$
Toàn bộ giai đoạn (2017 - 2022) -0,8164 ($p < 0,01$) 0,3421 ($p < 0,01$) 0,420427 $< 0,01$

Ý nghĩa thống kê: Tham số $\sigma_{\eta m} = 0,420427$ khác 0 có ý nghĩa thống kê ở mức 1% trên toàn bộ 72 tháng quan sát, bác bỏ giả thuyết $H_0$, khẳng định sự tồn tại vững chắc của hiệu ứng đám đông trên sàn HOSE.

                  Biến thiên tham số bầy đàn h_mt qua 2 giai đoạn
  h_mt
   0.8 |      /\    /\
   0.4 |     /  \  /  \    /\                     (Giai đoạn 1: h_mt > 0, Ngại rủi ro)
   0.0 +----+----+----+----+----+-------------------------------------------------
  -0.4 |                             \      /\      / \     /
  -0.8 |                              \    /  \    /   \   /  (Giai đoạn 2: h_mt < 0, Đua lệnh F0)
  -1.2 |                               \__/    \__/     \_/
       +------------------------+--------------------------------+
             2017 - 2019                    2020 - 2022
           (Trước COVID-19)               (Trong COVID-19)

Kiểm định chẩn đoán mô hình hồi quy (Model Diagnostics)

Mô hình hồi quy đánh giá tác động: $Volatility_t = \beta_1 \cdot h_t + \beta_0 + \epsilon_t$

  • Hệ số hồi quy $\beta_1$: $-0,032966$ ($p\text{-value} = 0,0028 < 0,01$).
  • Kiểm định Ramsey RESET (Dạng hàm): $F\text{-statistic} = 0,681$, $p\text{-value} = 0,412 > 0,05 \rightarrow$ Mô hình không bị thiếu biến và dạng hàm tuyến tính là chính xác.
  • Kiểm định White (Phương sai sai số thay đổi): $F\text{-statistic} = 0,285$, $p\text{-value} = 0,7525 > 0,05 \rightarrow$ Bác bỏ giả thuyết phương sai thay đổi, mô hình đồng phương sai.
  • Kiểm định Jarque-Bera (Phân phối chuẩn sai số): Phần dư có độ lệch nhẹ nhưng cỡ mẫu $N = 72$ đảm bảo ước lượng OLS không bị chệch.

Kết quả đạt được

+--------------------------------------------------------------------------+
|                          KẾT QUẢ THỰC NGHIỆM CHÍNH                       |
+--------------------------------------------------------------------------+
|  1. Mức biến động thị trường (Volatility):                               |
|     - Trước COVID-19: 0,009735                                           |
|     - Trong COVID-19: 0,015241 (+56,56% biến động)                       |
|                                                                          |
|  2. Cơ cấu hành vi đám đông:                                             |
|     - Trước COVID-19: h_mt > 0 chiếm ưu thế -> Xu hướng phòng thủ        |
|     - Trong COVID-19: h_mt < 0 chiếm ưu thế -> Bầy đàn ngược, đầu cơ     |
|                                                                          |
|  3. Tác động biên:                                                       |
|     Beta_1 = -0,032966 (p < 0,01): Khi h_mt giảm (bầy đàn ngược tăng),   |
|     độ biến động VN-Index tăng mạnh tương ứng.                           |
+--------------------------------------------------------------------------+

Đổi mới và đóng góp

Đổi mới phương pháp luận kỹ thuật

  1. Tách biệt động lượng bầy đàn khỏi CAPM tĩnh: Thay vì sử dụng mô hình CSAD tĩnh truyền thống chỉ phát hiện bầy đàn khi thị trường tăng/giảm mạnh, nghiên cứu đã lượng hóa được biến trạng thái ẩn $H_{mt}$ biến thiên liên tục theo từng tháng.
  2. Phát hiện thực nghiệm về "Hiệu ứng đám đông ngược" (Reverse Herding): Chứng minh rằng trong giai đoạn COVID-19, dòng tiền F0 đã tạo ra $h_{mt} < 0$, định giá quá cao các cổ phiếu có Beta cao ($\beta > 1$), đẩy mức sinh lời kỳ vọng $E_t^p(r_{it}) > E_t(r_{it})$, trực tiếp thổi phồng bong bóng định giá thị trường.
  3. Định lượng tương quan nghịch giữa tham số bầy đàn và rủi ro thị trường: Xác lập hệ số tác động $\beta_1 = -0,032966$ với độ tin cậy $99%$, cung cấp bằng chứng toán học chứng minh hành vi đầu cơ bầy đàn làm tăng độ biến động của thị trường thêm $56,56%$ trong khủng hoảng.
       Ma trận phân loại tác động của tham số bầy đàn h_mt
       +-------------------------------------------------------------+
       | h_mt > 0 : Hiệu ứng đám đông chuẩn (Normal Herding)         |
       | -> Thị trường ngại rủi ro, dòng tiền co cụm vào Beta < 1    |
       | -> Biến động thị trường (Volatility) GIẢM                   |
       +-------------------------------------------------------------+
       | h_mt < 0 : Hiệu ứng đám đông ngược (Reverse Herding)        |
       | -> Tâm lý FOMO/Đầu cơ, dòng tiền đua lệnh vào Beta > 1      |
       | -> Biến động thị trường (Volatility) TĂNG MẠNH, tạo bong bóng |
       +-------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Cơ quan quản lý (UBCKNN & HOSE): Sử dụng chỉ báo $h_{mt}$ như một hệ thống cảnh báo sớm (Early Warning System - EWS). Khi $h_{mt}$ rơi sâu vào vùng âm ($h_{mt} < -0,5$) liên tiếp trong 2 tháng, cơ quan giám sát cần kích hoạt quy trình thanh tra giao dịch bất thường và siết tỷ lệ cho vay ký quỹ (margin).
  • Công ty quản lý quỹ và CTCK: Tích hợp chuỗi $h_{mt}$ vào mô hình phân bổ tài sản Black-Litterman để điều chỉnh trọng số danh mục đầu tư khi thị trường bước vào pha hưng phấn quá độ.

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

              Chi phí & Lợi ích triển khai hệ thống cảnh báo sớm
  +------------------------------------+------------------------------------+
  | CHI PHÍ TRIỂN KHAI VÀ VẬN HÀNH     | LỢI ÍCH KINH TẾ ĐẠT ĐƯỢC           |
  +------------------------------------+------------------------------------+
  | - Bản quyền phần mềm phân tích:    | - Giảm thiểu thiệt hại do bán tháo |
  |   $5.000 - $10.000/năm             |   thị trường (ước tính hàng nghìn  |
  | - Hạ tầng máy chủ & Data Pipeline: |   tỷ đồng vốn hóa)                 |
  |   $15.000 (One-off)                | - Ngăn chặn kịp thời các vụ thao   |
  | - Nhân sự chuyên viên định lượng:  |   túng giá (điển hình như vụ FLC   |
  |   $30.000/năm                      |   gây thiệt hại > 530 tỷ đồng)     |
  +------------------------------------+------------------------------------+
  | TỔNG ĐẦU TƯ BAN ĐẦU: ~$50.000      | HIỆU QUẢ ROI: > 500% qua việc      |
  | CHI PHÍ DUY TRÌ: ~$35.000/năm      | bảo vệ thanh khoản và niềm tin     |
  +------------------------------------+------------------------------------+

Lộ trình triển khai giải pháp chính sách

Giai đoạn Mục tiêu thực hiện Thời gian Đầu ra chuyển giao
Giai đoạn 1: Hoàn thiện chế tài Nâng mức xử phạt vi phạm công bố thông tin tại Nghị định 156/2020/NĐ-CP; tăng chế tài răn đe hành vi thao túng Quý 1 - Quý 2 Khung văn bản quy phạm pháp luật sửa đổi bổ sung
Giai đoạn 2: Giám sát định lượng Xây dựng Dashboard theo dõi chỉ số bầy đàn $h_{mt}$ tự động trên hệ thống CNTT mới (KRX/HOSE) Quý 3 - Quý 4 Hệ thống cảnh báo tự động chỉ số phân tán Beta
Giai đoạn 3: Điều tiết kỹ thuật Nghiên cứu cơ chế điều chỉnh linh hoạt biên độ dao động giá ($\pm 7%$ hiện tại sang cơ chế ngắt mạch thị trường Circuit Breaker) Năm tiếp theo Bộ quy chế vận hành cơ chế ngắt mạch tự động

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Quy mô mẫu đại diện: Nghiên cứu mới thực hiện trên 49 cổ phiếu thuộc rổ VN30. Mặc dù VN30 chiếm hơn 70% giá trị vốn hóa toàn sàn, nhưng hành vi bầy đàn trên nhóm cổ phiếu vốn hóa vừa và nhỏ (Mid-Cap, Small-Cap/Penny) thường có cường độ mạnh hơn và chưa được bao quát toàn diện.
  2. Đơn nhân tố CAPM: Chưa tích hợp các yếu tố kiểm soát vĩ mô như lãi suất liên ngân hàng, tỷ giá USD/VND và các nhân tố quy mô/giá trị trong mô hình Fama-French 3 nhân tố.

Hướng nghiên cứu mở rộng

  • Ứng dụng mô hình không gian trạng thái đa biến (Multivariate State-Space Model) kết hợp thuật toán Particle Filter cho dữ liệu giao dịch tần suất cao (Intraday Tick-by-Tick Data).
  • Tích hợp kỹ thuật Xử lý ngôn ngữ tự nhiên (NLP) phân tích cảm xúc (Sentiment Analysis) từ diễn đàn chứng khoán và mạng xã hội để đối chiếu với biến trạng thái $h_{mt}$.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                      GIÁ TRỊ MANG LẠI CHO CÁC BÊN LIÊN QUAN                 |
+-----------------------------------------------------------------------------+
| [Nhà đầu tư cá nhân]                                                        |
| - Nhận diện các bẫy tâm lý FOMO/FUD khi thị trường xuất hiện bầy đàn ngược. |
| - Nâng cao tỷ suất sinh lời danh mục qua chiến lược đầu tư giá trị.         |
+-----------------------------------------------------------------------------+
| [Nhà phát triển hệ thống & Chuyên viên Phân tích Định lượng (Quant)]        |
| - Sở hữu mã nguồn Python/EViews hoàn chỉnh ước lượng Kalman State-Space.     |
| - Ứng dụng thuật toán lọc động vào các mô hình quản trị rủi ro danh mục.    |
+-----------------------------------------------------------------------------+
| [Cơ quan quản lý (UBCKNN, HOSE)]                                            |
| - Cơ sở lý luận và bằng chứng thực nghiệm để thiết lập cơ chế Circuit       |
|   Breaker và điều chỉnh biên độ giao dịch phù hợp theo chu kỳ.              |
+-----------------------------------------------------------------------------+
| [Cộng đồng Nghiên cứu Kinh tế lượng]                                        |
| - Tài liệu tham khảo chuẩn mực về đo lường tài chính hành vi tại thị trường |
|   chứng khoán cận biên/mới nổi khu vực Đông Nam Á.                          |
+-----------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình đo lường này là gì?

Hệ thống yêu cầu máy trạm tối thiểu CPU 4 Cores, RAM 8GB; cài đặt môi trường Python 3.8+ (các thư viện numpy, pandas, statsmodels, scipy) hoặc phần mềm kinh tế lượng EViews 10 trở lên để thực hiện các thuật toán tối ưu hóa ước lượng hợp lý cực đại (MLE) không gian trạng thái.

2. Sự khác biệt bản chất giữa "Hiệu ứng đám đông chuẩn" và "Hiệu ứng đám đông ngược" là gì?

Hiệu ứng đám đông chuẩn ($h_{mt} > 0$) xảy ra khi nhà đầu tư né tránh rủi ro, ưu tiên mua các cổ phiếu ổn định ($\beta < 1$), làm giảm biến động thị trường. Hiệu ứng đám đông ngược ($h_{mt} < 0$) xảy ra khi nhà đầu tư hưng phấn thái quá, đua mua các cổ phiếu đầu cơ có độ nhạy cao ($\beta > 1$), khuếch đại rủi ro và làm gia tăng mạnh độ biến động thị trường.

3. Tại sao mô hình Hwang & Salmon (2004) lại vượt trội hơn mô hình CSAD của Chang et al. (1999)?

Mô hình CSAD giả định hệ số rủi ro hệ thống $\beta$ không đổi và chỉ kiểm tra mối quan hệ phi tuyến tính trong những ngày thị trường biến động mạnh. Mô hình Hwang & Salmon mô hình hóa sự phân tán của chính hệ số $\beta$ theo thời gian thực dưới dạng chuỗi trạng thái ẩn, cho phép phát hiện bầy đàn liên tục ngay cả trong điều kiện thị trường giao dịch bình thường.

4. Hệ thống dữ liệu đầu vào cần được xử lý như thế nào để tránh sai lệch kết quả?

Dữ liệu giá đóng cửa phải được điều chỉnh đầy đủ theo các sự kiện quyền (chia cổ tức bằng tiền, cổ phiếu thưởng, phát hành thêm). Tỷ suất sinh lời phải tính theo dạng logarit liên tục $r_t = \ln(P_t / P_{t-1})$. Đối với các tháng có cổ phiếu bị tạm ngừng giao dịch hoặc dữ liệu thiếu hụt $> 50%$, cần loại bỏ mã đó khỏi ma trận tính $\beta$ chéo của tháng tương ứng.

5. Giải pháp điều chỉnh biên độ giao dịch có loại bỏ hoàn toàn hiệu ứng đám đông không?

Không. Biên độ giao dịch chỉ có tác dụng kỹ thuật làm chậm tốc độ lan truyền của tâm lý hoảng loạn hoặc hưng phấn cực đoan trong ngắn hạn (ngắt mạch tâm lý). Để kiểm soát bền vững hiệu ứng đám đông, giải pháp gốc rễ phải là nâng cao tính minh bạch thông tin, xử lý nghiêm hành vi thao túng làm giá và đào tạo kiến thức phân tích cơ bản cho nhà đầu tư cá nhân.

Kết luận

Đồ án đã giải quyết trọn vẹn bài toán lượng hóa "hiệu ứng đám đông" trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) thông qua phương pháp không gian trạng thái và bộ lọc Kalman của Hwang & Salmon (2004). Dựa trên tập dữ liệu thực nghiệm 72.614 quan sát trong giai đoạn 2017 – 2022, nghiên cứu đã chứng minh sự tồn tại liên tục của hành vi bầy đàn trên thị trường, đồng thời chỉ ra sự chuyển dịch cấu trúc sâu sắc: chuyển từ trạng thái thận trọng ($h_{mt} > 0$) ở giai đoạn tiền đại dịch sang trạng thái bầy đàn ngược đầu cơ cực đoan ($h_{mt} < 0$) trong đại dịch COVID-19.

Hệ số hồi quy $\beta_1 = -0,032966$ ($p < 0,01$) là bằng chứng khoa học khẳng định bầy đàn ngược chính là nhân tố trọng yếu kích hoạt sự bùng nổ biến động và làm suy giảm tính hiệu quả của thị trường vốn Việt Nam. Các kết quả này đặt ra yêu cầu cấp thiết cho các cơ quan quản lý trong việc nâng cao chế tài minh bạch thông tin, ứng dụng công nghệ giám sát định lượng thời gian thực và xây dựng cơ chế điều tiết biên độ giao dịch khoa học nhằm bảo vệ sự phát triển ổn định, bền vững của nền kinh tế.